无人机辅助无线充电边缘计算网络的资源分配方法与流程

本发明属于无线通信技术领域，更进一步涉及边缘计算领域中的一种基于部分加载机制的无人机辅助无线充电边缘计算网络的资源分配方案。

背景技术

随着智能移动设备数量的增加，物联网得到了快速发展，这有利于智慧环境(如，智慧城市、智能交通等)的实现。根据现有研究，智能环境的实现需要在大规模无线设备上完成大量的计算任务。然而，由于移动设备通常体积小，电池储能有限，因此如何为它们提供足够计算能力和减少计算延时，从而提高服务质量是一项至关重要并极具挑战性的任务。移动边缘计算和无线充电被认为是解决上述挑战的关键技术。最近，移动边缘计算得到了工业界和学术界的广泛关注。它使移动设备能够将大量的计算任务加载到边缘计算网络的计算服务中心。移动边缘计算可以为移动用户提供低延时计算服务。移动边缘计算网络有两种工作模式，即部分加载和二元计算模式。在部分加载工作模式下，所需要执行的计算任务可以分离成两部分。一部分用户在本地执行计算，另一部分加载到移动边缘计算网络的计算服务器上进行计算。而在二元计算模式下，所需要执行的任务不能分离。由于实际中大部分任务都能分离成两部分(例如，执行人脸识别计算任务)，因此，本专利重点关注部分加载工作模式。

另一方面，无线充电技术可以通过射频信号为低功耗移动设备提供可持续的能源供应。特别是在移动设备没有足够的电池能量甚至电池能量耗尽的情况下具有重要的应用前景。与传统的能量收集技术相比(如太阳能充电)，因其具有更好的可控性和稳定性，无线充电技术更具吸引力。近年来，将无线充电技术应用到移动边缘计算网络中得到了研究人员的广泛关注。

移动边缘计算和无线充电技术的融合引入了一种新的无线充电移动边缘计算网络，其可以解决物联网中性能受移动设备储能受限的影响。在现有的无线充电边缘计算网络中，传播损耗极大的影响用户所收集的能量，从而导致网络的计算性能受到极大的限制。为了应对这一挑战，研究者提出了一种无人机辅助无线充电架构，即利用无人机向能量收集用户传输能量。无人机可以通过短距离视距能量传输链路和轨迹优化来显著提高所收集的能量。而且，无人机辅助移动通信技术可以提高能量转换效率和任务加载效率，有望在无线移动边缘计算网络中提高用户的计算能力。此外，通过研究无人机辅助移动边缘计算部分加载机制，对进一步提高能量收集效率和计算能力具有重要的研究意义。但是，如何对网络资源进行分配，实现最大化加权计算比特之和的目的，是亟待解决的一个关键问题。

s.sardellitti,g.scutari,ands.barbarossa等人在其发表的论文“jointoptimizationofradioandcomputationalresourcesformulticellmobileedgecomputing”(ieeetrans.signalinf.process.overnet,vol.1,no.2,pp.89-103,jun.2015.)中提出了一种移动边缘计算网络的最优资源分配方法。它通过联合设计计算加载策略、局部计算频率和内容缓存策略，最大限度地提高了无线充电边缘计算网络的计算性能。然而，这种资源分配方法的不足之处是：网络的计算性能受制于移动设备储能的影响。

s.jeong,o.simeone,andj.kang等人在其发表的论文“mobileedgecomputingviaauav-mountedcloudlet:optimizationofbitallocationandpathplanning”(ieeetrans.vehiculartechnol.,tobepublished,2017.)中提到了一种边缘计算网络中提高计算性能的方法。该方法将无人机通信技术引入到边缘计算网络中，通过共同优化中央处理器的频率和无人机轨迹，提升了边缘计算网络性能。然而，其提出的资源分配策略也无法解决网络计算性能受制于用户储能的影响。

技术实现要素：

本发明针对现存的资源分配方案无法解决边缘计算网络性能受制于移动用户储能的影响，提出一种新的基于部分加载机制的无人机辅助无线充电边缘计算网络的资源分配方法，最大化用户的加权计算比特之和，并通过加权因子的选择提升了用户间的公平性。本发明是在部分计算加载模式下，通过联合优化中央处理器频率，计算任务加载时间和用户的发射功率以及无人机的轨迹，以最大化加权计算比特之和，达到最优的资源分配效果。

为了实现上述目的，本发明的所述的无人机辅助无线充电边缘计算网络的资源分配方法，包括如下步骤：

(1)设置资源分配参数：

(1a)设置无人机传输功率p0，时间t，时间t离散的时间间隙数n，无人机达到的最大飞行速度vs。

(1b)设置容错误差ξ，ξ1。

(2)初始化资源分配参数：

(2a)将选择执行本地计算的用户迭代次数i初始化为1；

(2b)初始化拉格朗日乘子无人机在第n个时隙的位置(n＝1,2,...,n)；

(3)计算最佳中央处理器频率，加载时间和用户发射功率

(3a)给定轨迹的条件下，计算最优中央处理器频率和最优发射功率

其中λm,k≥0表示对应于能量收集因果约束的拉格朗日乘子，c表示每个用户计算一位原始数据所需的中央处理器周期数。γc是处理器芯片在第m个用户的电容系数，且γc取决于第m个用户的芯片结构。ωm表示第m个用户的权重，用于考虑用户间的优先级和公平性。vm表示加载过程中的通信消耗。b表示通信带宽，ln2是2的自然对数，表示第m个用户的噪声功率，hm[n]表示无人机与第m个用户之间的信道功率增益,其中[a]⁺＝max(a,0)，max(a,0)表示取a或0其中的较大值。表示第m个用户在第n个间隙最优中央处理器频率，表示第m个用户在第n个间隙最优发射功率。

(3b)对给定的轨迹qu[n]，用二分法求解以下方程，得到最佳计算任务加载时间

其中zm[n]＝tm[n]pm[n],hm[n]表示无人机与第m个用户之间的信道功率增益,表示第m个用户的噪声功率，b表示通信带宽，n表示时间间隙数，vm表示卸载任务中包含的通信开销，αn表示拉格朗日乘子。表示第m个用户在第n个间隙第i次迭代的最优加载时间。

(4)更新拉格朗日乘子：

利用次级梯度迭代算法，计算拉格朗日对偶乘子

其中l表示迭代次数，θ(l)和表示第l次迭代的迭代步骤。[a]⁺＝max(a,0)，max(a,0)表示取a或0其中较大的一个值。δλm,n(l)和δαn(l)表示相应的次梯度：

其中分别表示第m个用户第n个间隙在第l次迭代的最优值。hm[k]表示无人机与第m个用户在第k个间隙之间的信道功率增益,无人机传输功率p0。γc是处理器芯片在第m个用户处的电容系数，γc取决于第m个用户的芯片结构。

利用次级梯度算法可以保证中央处理器频率、发射功率和加载时间在小范围内收敛到最优值。

(5)初始化轨迹迭代次数；

(5a)将选择执行轨迹迭代次数j初始化为1；

(6)在给定最优中央处理器频率最优发射功率和最优加载时间的情况下利用凸优化软件工具计算最优轨迹

(6a)对于任意轨迹利用连续拟凸近似技术对优化规划函数进行拟凸近似，在第j次迭代时有：

当时，等式成立。

其中，无人机传输功率p0，β0是在参考距离d0＝1m处的信道功率增益。第m个地面用户的位置由qm表示，其中qm＝[xm,ym]，在第n个时隙，无人机的水平面坐标为qu[n]＝[[xu[n],yu[n]]，qu[i]表示无人机在第i个间隙时的位置，表示无人机在第i个间隙第j次迭代时的位置。||·||表示欧几里得范数。

(6b)更新迭代次数j＝j+1和轨迹

(7)计算轨迹迭代之后的误差和并判断是否满足轨迹终止条件，若是，则执行步骤(8)，否则，将迭代次数加1后执行步骤(6)。

(8)更新迭代次数；

(8a)将选择执行本地计算的用户迭代次数i＝i+1

(9)判断第i次迭代时的目标函数值(中央处理器频率、发射功率、加载时间和轨迹的值)是否满足容错误差终止条件，若是，则执行步骤(10)，否则，将目标函数值的迭代次数加1后执行步骤(3)。

(10)得到最优中央处理器频率最优发射功率最优加载时间和最优轨迹

本发明与现有技术相比具有以下优点：

第一、本发明是首次在无人机辅助无线充电边缘计算网络中设计了最佳资源分配策略，克服了现有技术中无法解决边缘计算网络性能受制于移动设备储能有限的影响的缺点。

第二、本发明将无人机通信架构应用于无线充电边缘计算网络，克服了现有技术中移动设备电池储能有限的缺点，增加移动设备的续航能力，并显著提高能量收集效率。

第三、本发明在部分计算加载工作模式下，将无人机通信技术引入到无线充电边缘计算网络中，提升了计算任务的加载效率，从而提高了边缘计算网络的计算性能。

第四、本发明在部分加载模式下提出的迭代算法收敛速度快，只需要有限的迭代次数(少于10次)就能获得最佳资源分配策略，具有实际的应用价值。

附图说明

图1为本发明的流程图。

图2为本发明与其他现有方案相比无人机在t＝2秒的飞行轨迹。

图3为本发明与其他三种方案下所有用户的加权计算比特之和与无人机的发射功率的对比。

图4为本发明在部分计算加载模式，所有用户的加权计算比特之和与无人机在不同轨迹下的发射功率。

图5为本发明在部分加载模式下每个用户的总计算比特数。

图6为本发明在无人机的不同发射功率下，所提的资源分配算法的迭代效果图。

具体实施方式

下面结合附图对发明进一步描述。

结合附图1对本发明的具体步骤描述如下。

步骤1:设置资源分配参数：

设置无人机传输功率p0，时间t，时间t离散的时间间隙数n，无人机达到的最大飞行速度vs。

设置最优轨迹所需的容错误差ξ和i次迭代目标函数值所需的容错误差ξ1。

在本发明的实施例中n＝50，ξ和ξ1为0.0001。容错误差越小，在进行迭代计算无人机轨迹时，可能需要的迭代次数越多。同时，容错误差越小，在使用次级梯度算法更新能量收集因果约束和时间约束的拉格朗日乘子所需的代次数越多。次级梯度算法的迭代次数还取决于信道衰落状态。次级梯度算法的迭代步长的选择是迭代停止所需次数的关键影响因素，根据约束条件的宽松，选择适当的迭代步长，当约束条件较宽松时，选择较大的迭代步长，相反，如果约束条件很严格，则选择相对较小的迭代步长，选择合适的迭代步长能保证快速得到最佳解，当迭代步长设置为常数时，次级梯度算法能保证得到的解离最佳解更接近。

步骤2：初始化资源分配参数：

将选择执行本地计算的用户迭代次数i初始化为1；

初始化拉格朗日乘子无人机在第n个时隙的位置

步骤3：计算最佳中央处理器频率，加载时间和用户发射功率

第一步，按照下式，在给定轨迹的条件下，利用拉格朗日对偶方法计算最优中央处理器频率最优发射功率

其中λm,k≥0表示对应于能量收集因果约束的拉格朗日乘子，c表示每个用户计算一位原始数据所需的中央处理器周期数。γc是处理器芯片在第m个用户的电容系数，且γc取决于第m个用户的芯片结构。ωm表示第m个用户的权重，用于考虑用户间的优先级和公平性。vm表示加载过程中的通信消耗。b表示通信带宽，ln2是2的自然对数，表示第m个用户的噪声功率，hm[n]表示无人机与第m个用户之间的信道功率增益,其中[a]⁺＝max(a,0)，max(a,0)表示取a或0其中的较大值。表示第m个用户在第n个间隙最优中央处理器频率，表示第m个用户在第n个间隙最优发射功率。

通过求解可以看出用户只有在与无人机之间的信道状态强于以下公式的阈值时，用户才选择加载其计算任务：

当用户和无人机之间的水平距离大于以下公式的阈值时，用户选择执行本地计算：

第二部，对给定的轨迹qu[n]，用二分法求解以下方程，得到最佳计算任务加载时间

其中zm[n]＝tm[n]pm[n],hm[n]表示无人机与第m个用户之间的信道功率增益,表示第m个用户的噪声功率，b表示通信带宽，t表示无人机持续飞行时间；n表示时间间隙数，vm表示卸载任务中包含的通信开销，αn表示拉格朗日乘子。表示第m个用户在第n个间隙第i次迭代的最优加载时间。

此外，用户的权重越大，用户选择加载计算任务的机会越高。用户的中央处理器频率随时隙增加，这意味着本地计算获得的计算位随时隙增加。还可以看出，随着更多的资源被分配给具有更高权重的用户，用户的中央处理器频率随权重增加。

步骤4：更新拉格朗日乘子：

利用次级梯度迭代算法，计算拉格朗日对偶乘子

其中l表示迭代次数，θ(l)和表示第l次迭代的迭代步骤。[a]⁺＝max(a,0)，max(a,0)表示取a或0其中较大的一个值。δλm,n(l)和δαn(l)表示相应的次梯度：

其中分别表示第m个用户第n个间隙在第l次迭代的最优值。hm[k]表示无人机与第m个用户在第k个间隙之间的信道功率增益,无人机传输功率p0。γc是处理器芯片在第m个用户处的电容系数，γc取决于第m个用户的芯片结构。

为了获得最优中央处理器频率，最优发射功率和用户的最优卸载时间，需要获得对偶变量的值，次级梯度算法可以用来解决这个问题。利用次级梯度算法可以保证在小范围内收敛到最优值。

次级梯度算法的收敛速度取决于初始时拉格朗日乘子的选择，迭代步长的选择，能量收集因果约束及时间约束的选取。当初始时拉格朗日乘子选择接近满足能量收集因果约束及时间约束对应的拉格朗日值时，次级梯度算法能快速的完成拉格朗日乘子的更新。迭代步长选择固定长度时，能保证获得的拉格朗日乘子非常接近最佳拉格朗日乘子。同时该算法的迭代过程简单且易于实现，使得分配方法的复杂度得到的很大程度的降低。

步骤5：初始化迭代次数；

将选择执行轨迹迭代次数j初始化为1。

步骤6：在给定最优中央处理器频率最优发射功率和最优加载时间的情况下利用凸优化软件工具计算最优轨迹

对于任意轨迹利用连续拟凸近似技术对优化规划函数进行拟凸近似，在第j次迭代时有：

当时，等式成立。

其中，无人机传输功率p0，β0是在参考距离d0＝1m处的信道功率增益。第m个地面用户的位置由qm表示，其中qm＝[xm,ym]，在第n个时隙，无人机的水平面坐标为qu[n]＝[[xu[n],yu[n]]，qu[i]表示无人机在第i个间隙时的位置，表示无人机在第i个间隙第j次迭代时的位置。||·||表示欧几里得范数。

更新迭代次数j＝j+1和轨迹

步骤7：计算轨迹迭代之后的误差和并判断是否满足轨迹终止条件，若是，则执行步骤8，否则，将迭代次数加1后执行步骤6。

其中，在第n个时隙，无人机的水平面坐标为表示第j次迭代的无人机的位置，ξ表示容错误差，n＝1,2,3,...,n，n表示时间t离散的最大时隙数，||·||表示欧几里得范数。

将第j次迭代获得赋值给第i次迭代

本发明提出的二阶段迭代算法，在第一阶段第j次迭代获得无人机轨迹并将此次迭代值赋予第二阶段第i次迭代无人机轨迹继续下一阶段算法。

步骤8：更新迭代次数i＝i+1

步骤9：判断第i次迭代时的目标函数值(中央处理器频率、发射功率、加载时间和轨迹的值)是否满足容错误差终止条件，若是，则执行步骤(10)，否则，将目标函数值的迭代次数加1后执行步骤(3)。

|rⁱ-r^i-1|≤ξ1

其中，rⁱ表示第i次迭代时的目标函数值，ξ1表示容错误差。

|·|表示绝对值操作；

步骤10：得到第m个用户在第n个时隙的最佳中央处理器频率、最佳发送功率和最佳加载时间以及第n个时隙无人机最佳轨迹。

迭代停止时得到最优中央处理器频率最优发射功率最优加载时间和最优轨迹

下面结合仿真实验对本发明的效果做进一步说明。

1.仿真条件：

本发明的仿真实验在matlabr2014a(8.3.0)软件下进行的。本发明用户的数量m设置为4，用户的位置分别设置为：q1＝[0,0]，q2＝[0,10]，q3＝[10,10]，q4＝[10,0]。无人机的高度h设置为10米，无人机飞行的时间长度t为2秒，中央处理器的周期数为10³周期/位，能量转换效率η0为0.8，通信带宽b为40兆赫兹，接收的噪声功率为10^-9瓦，时间间隙数n为50,有效的开关电容γc为10^-28，信道功率增益β0为-50db，容错误差ξ,ξ1为10^-4，无人机的初始位置q0＝[0,0]，无人机的最终位置qf＝[10,0]，无人机的最大速率为20m/s，每个用户的权重矢量[ω1ω2ω3ω4]分别为[0.10.40.30.2]。

2.仿真内容：

附图2对比了本发明与其他现有方案无人机在t＝2秒的轨迹。无人机的发射功率设置为p0＝0.1瓦。恒速方案的轨迹是无人机从初始位置到最终位置以恒定速度直线飞行的轨迹；半圆方案的轨迹是无人机沿着半径为||qf-q0||的半圆轨迹飞行的轨迹；加载模式的轨迹是使用本发明提出的部分计算加载模式的轨迹。可以看出，所提出方案的轨迹与用户2和用户3接近。原因在于用户2和用户3的权重大于用户1和用户4的权重。因此，无人机需要靠近用户2和用户3以向其提供更多能量。这表明用户之间的优先级和公平性可以通过权重向量的选择来实现。

附图3比较了了本发明与其他方案所有用户的加权计算比特之和与无人机的发射功率。最优本地计算模式为所有用户只执行本地计算，而最优加载模式为所有用户只执行任务加载。在这两个基准方案下，无人机的轨迹被共同优化。部分加载模式下的结果通过本发明提出的算法得到。从附图3可以看出，在部分加载模式下获得的加权计算比特之和是所有优化方案中最大的。其原因在于所有用户都可以在部分计算加载模式下，根据信道质量动态选择操作模式。此外，还可以看出，最优加载模式下获得的性能优于最优局部计算模式下获得的性能，且所有用户的加权计算比特之和随着无人机的发射功率的增加而增加。其原因在于用户收集的能量随着无人机的发射功率增加而增加。因此，用户有更多的能量执行本地计算或任务加载。

附图4为本发明的部分计算加载模式下，所有用户的加权计算比特之和与无人机在不同轨迹下发射功率的关系图。如附图4所示，使用本发明提出的方案所实现的所有用户的加权计算比特之和大于通过使用具有恒定速度的轨迹和通过使用半圆轨迹获得结果。这表明，无人机轨迹的优化可以改善加权计算比特之和。此外，图4验证了所提出的资源分配方案优于不相交优化方案。

附图5给出了本发明部分计算加载模式下每个用户的总计算比特数。其中，无人机的发射功率设置为p0＝0.1瓦。可以看出，用户2和用户3的总计算比特数高于用户1和用户4的总计算比特数。其原因在于用户2和用户3的权重比用户1和用户4大。因此，资源分配方案应该考虑用户2和用户3的优先级。这进一步验证了权重矢量的应用体现用户之间的优先级和提高用户之间的公平性。

附图6给出了本发明在无人机的不同发射功率下，所有用户的加权计算比特之和所需的迭代次数。图6验证了本发明所提出的算法收敛效率。无人机的发射功率为0.1瓦或0.2瓦。从图中可以看出，本发明所提出的算法仅需要几次迭代就能达到收敛最终值。这表明本发明所提出的算法具有极高的收敛速度。在部分计算卸载模式下，当信道状态优良时，用户可以同时进行本地计算和任务分流。当信道状态较差时，用户只能单独执行本地计算或任务卸载。

综合上述仿真结果和分析，本发明所提出的基于部分加载机制的无人机辅助无线充电边缘计算网络资源分配方案，能够体现用户之间的优先级和人提高用户的公平性，并能够使用户的加权和计算速率优于其他现有的方案，算法的复杂度低，易于实现，这使得该发明能够在实际中能够得到更好的应用。